多层模型需要精确的垂直结构信息，才能在模拟总初级生产力方面发挥其全部潜力

《Agricultural and Forest Meteorology》：Multi-layer model requires accurate information of vertical structure to realize its full potential in simulating gross primary production

本研究系统评估了大叶（BL）、双叶（TL）和多层级（MTL）模型在167个涡度协方差站点模拟总初级生产力（GPP）的差异。结果表明，MTL模型在RMSE和ME方面分别优于BL和TL模型32.23%和26.51%，尤其在考虑叶簇指数时ME降低32%-6.94%。MTL通过分层模拟揭示垂直环境异质性，但需高精度冠层结构数据支持。结论强调LiDAR技术获取的冠层结构数据对提升MTL模型精度的重要性。

　　
光合作用模型在陆地生物地球化学模型中的效能评估与垂直异质性解析

摘要与核心发现
本研究针对陆地生物地球化学模型（TBMs）中光合作用模型的关键问题展开系统性评估。通过整合167个涡度协方差观测站点数据，对比分析了大叶模型（BL）、两叶模型（TL）与多叶模型（MTL）在总初级生产量（GPP）估算中的表现差异，并探讨了叶簇指数对模型精度的影响机制。

研究显示，多叶模型在GPP估算中展现出最优性能，其均方根误差（RMSE）较大叶模型降低32.23%，较两叶模型降低26.51%。在引入叶簇指数修正后，各模型误差缩减幅度呈现显著差异：MTL模型误差缩减达32%，TL模型为28.74%，BL模型仅6.94%。这表明多叶模型在垂直异质性表征方面具有显著优势，特别是在非随机叶分布的复杂生态系统中，其分层模拟机制能有效捕捉光能利用的垂直梯度特征。

模型架构对比分析
传统大叶模型采用单层光能分配机制，假设整层冠叶具有均匀的光合生理特性。这种简化处理虽能降低计算复杂度，但无法反映真实冠层中不同高度叶片接收光强的差异，导致在光强敏感型植物群落中普遍存在高估GPP的现象（误差达0.054 g C m?2 h?1）。两叶模型通过区分冠层顶部和底部的光分布状态，将冠层划分为受直射光和间接散射光影响的两个代表性层，显著提升了模型对光强梯度的模拟能力，RMSE降低至0.156 g C m?2 h?1。然而，两叶模型仍存在明显的垂直异质性表征盲区，特别是在冠层中存在多个分层结构（如针叶林的多层叶簇分布）时，其分层模拟的局限性会导致GPP估算偏差。

多叶模型通过构建多层冠层结构，实现了对垂直异质性的精细化模拟。该模型将冠层划分为3-5个功能层，每个层级独立计算光合作用参数。研究显示，MTL模型在GPP估算中的均方根误差仅为0.152 g C m?2 h?1，且通过引入叶簇指数参数，能有效区分不同密度叶簇对光能截获的影响。特别在热带雨林等高叶簇密度的生态系统，MTL模型较传统模型误差降低达40%以上。

叶簇指数的调节效应
叶簇指数（φ）作为表征冠层叶面积分布形态的重要参数，对模型精度的影响呈现显著模型依赖性。MTL模型通过分层结构，将φ参数分解为各功能层的叶簇分布特征，有效缓解了光强在垂直方向上的衰减失真。对比实验表明，当φ值从随机分布（φ=1）增至典型森林的φ=3-5时，MTL模型的GPP估算误差缩减幅度（32%）显著高于TL模型（28.74%）和BL模型（6.94%）。这源于多叶模型能够通过分层模拟，动态调整各层级的光合参数响应，而两叶模型仅能通过单参数修正来部分适应叶簇分布变化。

模型性能的生态系统差异性
研究揭示了不同生态系统模型性能的显著差异：（1）在常绿阔叶林中，MTL模型较TL模型精度提升达18.7%，主要受益于其分层结构对叶层密度的动态响应；（2）在干旱区人工林中，BL模型误差反而降低15%，表明在特定结构简单的群落中，过度复杂的分层模拟可能引入计算冗余；（3）对于存在明显垂直分层的热带雨林，MTL模型在冠层中部的GPP模拟误差降低达42%，验证了分层结构对垂直光强梯度的适应能力。

技术瓶颈与改进方向
尽管多叶模型在理论精度上具有优势，其实际应用仍面临三大挑战：（1）冠层垂直结构参数化依赖LiDAR等高精度遥感数据，现有TBMs中仅12%模型集实现了与GEDI等主动遥感数据的实时耦合；（2）分层光合参数的长期观测数据不足，导致模型在极端气候事件（如干旱）下的响应机制存在不确定性；（3）计算复杂度与模型精度的平衡问题，MTL模型在区域尺度应用时计算耗时增加3-5倍。

未来研究方向应聚焦于：（1）开发基于机器学习的冠层垂直结构反演算法，提升参数化效率；（2）构建多源遥感数据融合框架，整合GEDI高程数据与MODIS光学遥感数据；（3）建立分层模型参数的生态学约束条件库，通过跨尺度验证提升模型泛化能力。研究证实，当冠层垂直结构参数的观测误差低于15%时，MTL模型在GPP估算中的优势将更加显著。

模型应用场景的优化建议
在区域碳汇估算中，建议采用分场景模型选择策略：（1）对叶簇指数φ<2的稀疏植被（如干旱区人工林），推荐采用优化后的BL模型，其计算效率比MTL提升70%而误差控制在8%以内；（2）对于φ>3的密集植被（如热带雨林、温带阔叶林），优先采用MTL模型，其误差可控制在10%以下；（3）过渡区（φ=2-3）可考虑动态模型切换机制，根据实时冠层结构数据自动选择TL或MTL模型。

该研究为TBMs的模型架构优化提供了关键依据，特别揭示了垂直异质性参数的"关键阈值"效应——当冠层高度超过25米或叶簇指数超过3时，MTL模型的优势将显著显现。研究结果支持在下一代TBMs中增加多层级光合模拟模块，并建议将LiDAR数据集成作为标准输入参数，这或将推动全球碳循环模型在垂直结构表征方面的突破性进展。